医学教育新综述：AI可能让人从未学会临床推理

时间：2026年11月2日 地点：线上，论文发表于开放获取医学期刊 Cureus 人物：论文作者 Boquan Qin、Bingyu Wu、Peize Liang、Xiang Fang；never-skilling 概念提出方为 Ke Yuhe 等 16 位作者 事件详情：开放获取医学期刊 Cureus 于 11 月 2 日上线一篇聚焦综述《生成式人工智能在临床推理教育中的应用：一份聚焦综述与框架》。作者把生成式 AI 在临床推理教学里的三类用法梳理清楚：用大模型驱动的虚拟病人做诊断问诊练习、用大模型做诊断辅导，以及用自然语言处理和计算机视觉自动评估学生的推理过程。论文认为这条线最关键的张力不在 AI 好不好用，而在被 AI 托着完成的成绩，能不能变成撤掉 AI 之后仍然站得住的独立推理。为此作者区分了两个必须分开的失败形态：deskilling 指已经获得的能力因为过度依赖 AI 而退化，never-skilling 更严重，指这项基本能力从头就没有建立起来。作者主张 never-skilling 应当被当作一个可检验的训练结果来对待，与知识保持、迁移、错误识别、校准这些指标并列考察。 背景：never-skilling 这个说法并不是这次才有的。2026年5月22日上线、6月刊于《自然·医学》的论文 AI-induced never-skilling in medical education 首次系统提出这一风险：AI 在医学训练中的普及速度，已经快过用来约束它的教育框架，低年资学员如果还没建立临床心智模型就先接触 AI 的输出，可能根本学不会独立判断。该文由 Ke Yuhe 等 16 位作者联合撰写，其论文记录被伦敦卫生与热带医学院研究库与杜克大学学者库分别收录。2026年9月11日，Frontiers in Medicine 上一篇来自黑龙江中医药大学的综述把这类风险归纳为三种认知脆弱性：deskilling，高年资学员的诊断能力退化；never-skilling，低年资学员没能建立基础心智模型；以及 automation bias，不加批判地接受机器给出的建议。Cureus 这篇综述补上的则是另一个维度：现有支持 AI 教学效果的正向证据大多来自短期、关联性的研究，用的是满意度问卷、前后测对比和历史对照，而不是撤掉 AI 之后对独立能力的评估。 影响：论文给出的框架有四条实操建议。第一，先独立推理再查 AI，把 AI 放在思考之后而不是之前。第二，把总结性判断留给人，AI 可以陪练但不能拍板。第三，把 AI 素养当作课程目标来考核，而不是顺带的加分项。第四，按学生已经展现出来的能力和任务本身的风险，来决定给多少辅助。论文用分级的方式列出了现有证据，几个数字可以参考：在外科课程一项覆盖 700 份问卷、487 份有效回答的研究里，使用百度文心一言 4.0 的学生约 84% 报告正面满意度；一项 56 名学生的随机对照试验中，用 GPT 模拟病人组的考试分数为 86.8 对 73.6；一项覆盖 12400 个病例、1066 名学生的多中心观察研究里，重复练习后误诊比例从 27% 降到 9%；一项 38 名住院医师的历史对照研究中，OrthoSim AI Agent 的 OSCE 成绩为 87.0 对 80.2。但这些证据层级普遍不高，多为单中心、短期，且只看满意度或考后成绩。论文同时提醒，学界常引用的 o3 在 702 道骨科题上达到 93.6% 准确率、o1Pro with Deep Research 在 119 道题上达到 90.8%，这类只是模型做题成绩，说明的是模型能力而不是教学效果，两者不能混为一谈。论文还有一处提醒很实际：最难花钱的不是模型调用，而是教师复盘和治理的时间，机构在采纳前应当先把这部分成本算进去，而不是假设生成式 AI 能把它省掉；同时要处理隐私、数据留存、偏见、获取不平等、模型更新，以及监督 AI 生成反馈带来的额外工作量。 总结：这篇综述的价值不在于又一轮 AI 进教育的热炒，而在于它把一个常被含糊处理的问题拆成了可操作的部分：什么时候允许 AI 介入推理任务、哪些结果必须在没有 AI 的条件下评估、什么时候人的判断必须说了算。它给出的答案是把 never-skilling 当成一个能被测出来的训练结果，而不是一句担忧；同时又用分级的方式承认，目前支持 AI 教学效果的正向证据大多短暂且关联性强，真正缺的是纵向研究——让受试者在撤掉 AI 之后反复接受独立能力评估。这条缺口，这篇综述和 2026 年 6 月那篇《自然·医学》指向的是同一个地方。 常见问题： 问：never-skilling 和 deskilling 有什么区别？ 答：deskilling 指已经学会的能力因依赖 AI 而退化，never-skilling 指这项基本能力从头就没建立起来。 问：论文建议怎么用 AI 学临床推理？ 答：先独立推理再查 AI，把总结性判断留给人，按学生已展现的能力和任务风险决定给多少辅助。 参考来源： Cureus 综述原文，2026年11月2日 https://www.cureus.com/articles/528220-generative-artificial-intelligence-in-clinical-reasoning-education-a-focused-review-and-framework Crossref 文献记录，DOI 10.7759/cureus.118991，出版日期 2026年11月2日 https://api.crossref.org/works/10.7759/cureus.118991 自然·医学：AI-induced never-skilling in medical education，2026年5月22日上线、6月刊出 https://www.nature.com/articles/s41591-026-04438-y 伦敦卫生与热带医学院研究库收录条目：Ke Yuhe 等，Nature Medicine 第 32 卷第 6 期，1997-2006 页 https://researchonline.lshtm.ac.uk/id/eprint/4682189/ 杜克大学学者库收录条目：AI-induced never-skilling in medical education，2026年6月 https://scholars.duke.edu/publication/1822814 Frontiers in Medicine 综述：提出 deskilling、never-skilling 与 automation bias 三种认知脆弱性，2026年9月11日 https://www.frontiersin.org/journals/medicine/articles/10.3389/fmed.2026.1867722/full